翻了一圈才把Hexo Labs那个SIA(Self Improving AI)框架搞明白，记一下。以前这类自我改进的东西是分两派的：一派改harness、改脚手架，比如Darwin Gödel Machine那种；另一派是test-time training，直接动权重。SIA的做法是把两条路塞进同一个迭代循环，让一个Feedback-Agent去读完整的执行轨迹和reward，再决定下一步是改脚手架、还是跑一次LoRA权重更新，或者两个都干。
更省心的是它连RL算法都不用你选。reward是密集的step级信号就走PPO，rollout便宜、只在结尾验证就上GRPO，右偏分布、正确解很稀少的场景用EAW。这个自动挑算法的设计我觉得是它最实用的点。整套harness那部分跑在CPU上，配Anthropic的key就能动，权重更新才需要H100。所以想省钱可以先只跑harness版，把上限摸出来再考虑上GPU。代码MIT协议，github上有。